AI を活用したバッテリー寿命予測で新しい設計の検証を強化

ミシガン大学で構築された AI ツールは、初期のバッテリーのテストを利用して、新しい設計の性能を予測します。 (画像:Xin Zou、ウィスコンシン大学マディソン校)

技術概要: このプロジェクトを始めたきっかけは何ですか?

ソン・ジユウ: 私は学界と産業界の両方で働いてきたので、バッテリーのテストと検証に関して難しい点があることを知っています。新しいバッテリーを設計するときは、以前のバッテリーとそれほど変わらない場合でも、常に同様の条件下ですべてのラボテストを行います。それには少なくとも 6 か月かかり、多くのエネルギーを消費します。そのため、あまり変わらない新しいデザインがある場合、以前のデータセットを使用できるかどうかを考えていました。以前の設計の知識とデータ パターンを活用して、新しい設計の寿命を予測できるでしょうか?そうすれば、時間とエネルギーを大幅に節約できます。

私たちはこの問題を、新興分野である科学用 AI の観点から検討しています。科学的予測は最も重要な問題の 1 つです。私たちは特に機械学習手法の費用対効果に焦点を当てています。可能な限り最小限のデータを使用して、より良い、または同等の予測パフォーマンスを達成するにはどうすればよいでしょうか。

技術概要: バッテリーの設計が以前のものと同じではないという事実にどのように対処しますか?

曲: この質問については、特定のフレームワークを詳しく掘り下げる必要があります。私たちは数十年前の研究の概念を活用して、人間が世界を認識し知識を得る方法を模倣しました。たとえば、私たちは多くのことを観察によって大まかに学びますし、授業を受けたり、他の人に尋ねたりすることで正確に学びます。私たちのフレームワークは、発見学習と呼ばれる教育アプローチを活用しています。新しいバッテリー設計ができたら、それを既存のバッテリー セルにマッピングして、そのデータセットを新しい設計にどのように使用できるかを確認します。これにより、長時間のテストを行わずに寿命予測を行うことができます。

新しい設計をテストして、その初期パラメータと、最初の数十サイクルでそれらがどのように変化するかを観察します。次に、完全なデータセットがあるため、このパターンを以前のバッテリーにマッピングしようとします。同様のパターンがあれば、新しいデザインが以前のデザインに似ていることがわかります。その後、その知識、データ パターンを活用して、新しいバッテリーの寿命を予測できます。

技術概要: バッテリーをテストするときにかなりのエネルギーを消費するとのことですが、それは負荷をかけた状態でバッテリーをテストするためですか?

曲: はい、その通りです。バッテリーセルをテストするとき、特に実験室でのサイクルテストでは、たとえば 1,000 サイクル、2,000 サイクルなど、何度も充電と放電を行う必要があり、大量のエネルギーを消費します。したがって、50 サイクルだけ実行できれば、大幅に節約できます。

より少ないサイクルで検証するだけでなく、より少ないセルでも検証します。たとえば、以前は、さまざまな動作条件をカバーしたいため、さまざまな条件下でテストするには、おそらく 100 個のセル、100 個のチャネルを使用する必要がありました。しかし今では、それらの一部、たとえば 10 個のセル、10 個の動作条件、50 サイクルだけをカバーする必要があります。そのため、サイクル時間を短縮することと、テストするバッテリー セルの数を減らすことによってエネルギーを節約します。

技術概要: テストする条件にはどのようなものがありますか?

曲: 温度は非常に重要な指標です。もう1つは、バッテリーの使い方です。たとえば、あなたが携帯電話を持っていて、私が携帯電話を持っている場合、私たちはおそらくまったく異なる方法で携帯電話を使用しています。携帯電話を常にフル充電したいので、携帯電話のバッテリーはすぐに劣化します。ただし、携帯電話を充電状態 (SOC) 範囲の中間で使用するだけであれば、おそらく寿命は長くなります。バッテリーの使い方は人によって異なるため、私たちはできるだけ多くの条件をカバーしたいと考えています。

技術概要: システムには、学習者、インタープリター、オラクルの 3 つのコンポーネントがあると読みました。それらについて説明していただけますか?

曲: これらが発見学習の 3 つの要素です。 1 つ目は学習者、つまり質問をし、どのセル設計とセル プロトタイプをテストするかを決定する者です。学習者はコマンドをインタプリタに渡します。インタプリタは初期のサイクリング テスト データを活用して、物理パラメータ、つまりバッテリーの専門家が解釈できる特徴からなる特徴空間を構築します。つまり、無意味な統計的特徴を使用しているだけではありません。バッテリーエンジニアや科学者が解釈できる機能を使用しています。次に、インタプリタはこれらの機能をオラクルに提供します。オラクルは、いわゆるゼロショット学習を実行します。これは、追加の実験を行わずに新しいバッテリー設計の寿命を予測することを意味します。次に、オラクルはその予測結果を学習者に返し、学習者はこれらの結果を信頼してそこから学習します。何度か実行すると、学習者は新しいバッテリーの設計を自分で予測できるようになります。そして最後に、学習者とオラクルが協力してすべてのバッテリー サンプルの予測を行います。

技術概要: ソン教授、あなたは今やっていることと似たパターンの電池を選んでそこから学ぶとおっしゃっていましたね。モデルとして使用するバッテリーはどのように選択しますか?

曲: それは主に通訳からのものです。たとえば、新しい設計の進化するパラメータ セットがある場合、それを以前のバッテリ設計にマッピングして、パターンがどのように比較されるかを確認できます。また、以前の設計を使用してトレーニングされているため、オラクルも活用します。また、通訳者は私たちに興味のあるパラメータについて教えてくれます。たとえば、バッテリーの寿命にとって非常に重要なパラメーターが 11 または 14 個あると考えられる場合、インタープリターを使用して初期テスト データからそれらのパラメーターを取得します。

次に、オラクルを利用してこれらのパラメーター セットを入力として受け取り、設計の寿命を予測します。しかし、もちろん、最初のラウンドでオラクルは正確な結果を与えることはできないため、不確実性を減らし、時間の経過とともにより良い結果を得るために反復する必要があります。

それはあまり正確ではないことがわかっているので、学習者から 2 回目の実行を実行します。結果がわかり、私が選択した 3 つのバッテリー設計の寿命を教えてもらいました。しかし、特定の設計やテスト条件についてはまだ不確かです。そこで、さらに 2 つのセルを選択して、もう一度手順をやり直すかもしれません。これが人が学習する方法です。さまざまな条件に対して繰り返します。

技術概要: 予測を立てたら、その予測が正しいことをどのように証明しますか?

曲: そのため、新しいバッテリーの最初のラウンドでは、代表的なテスト条件を直感的に選択します。例えば、低温性能、高温性能、中温性能、高吐出量、低吐出量などを重視します。 2 番目のラウンドでは、さらにセルを選択するのに役立つ定量的データがいくつか得られます。次に、ガウス過程回帰を使用して予測の不確実性を示します。次に、最も不確かな予測を選択し、それらの条件を再度実行して元の予測を確認します。

これは現場では一般的なことなので、ほとんどの人がそれを信頼しています。しかし、論文を公開したときに、不確実性の定量化が正しいことをどのように確認できるかというコメントを受け取りました。正直に言うと、さまざまな方法があり、すべてを試したわけではありませんが、将来的には試してみる予定です。

技術概要: 電池メーカーがあなたの結果に興味を持ったとします。彼はあなたの予測に基づいて組み立てラインでバッテリーの製造を開始するほどあなたを信頼しますか?

曲: 良い質問ですね。少なくとも、私たちがほぼ 4 年間協力してきたある電池会社についてはそう思います。そして私たちの協力により、彼らはすべてのデータを私たちに提供します。私たちはその結果について同社のエンジニアと話し合っており、彼らは結果が信頼できるものであると考えています。したがって、新しいバッテリー設計がある場合、特に以前の設計とあまり変わらないバッテリーの場合、私たちのフレームワークは機能します。

しかし、私たちの研究の限界も指摘したいと思います。これは非常に重要です。たとえば、新しいバッテリー設計が以前のものと大きく異なる場合、制限を積極的に指定することはできません。フレームワークは魔法ではありません。あなたが現在持っているドメインの知識が新しい設計と大きく異なる場合、どうやって予測を立てることができますか?

これらの疑問を定量化する方法論はまだ得られていません。それはこの研究の範囲外です。しかし、さらに前進する価値があると思います。たとえば、私たちの研究は従来のリチウム電池のみを対象としており、固体電池やリチウム金属などのより高度な技術の一部は含まれていません。

技術概要: つまり、標準的なリチウムイオン電池だけを対象にしているということですか?

曲: まさにその通りです。現在、ほとんどの製品は標準のリチウムイオン電池を使用しています。しかし、一般的に使用されているリチウム電池セルであっても、新しい設計がある場合、電気自動車会社または電池会社は各設計について 1 年間のテストを実施します。したがって、私たちのツールは現在非常に役に立ちます。しかし、制限は、非常に異なるデザインがある場合に何をすべきかということです。

技術概要: 物理ベースの分析についても言及されました。それはどういう意味ですか?

曲: これは、物理ベースのモデル、いわゆる第一原理モデルを利用することを意味します。たとえば、フィックの法則の拡散方程式など、非常に基本的な物理方程式が挙げられます。これらを使用すると、物理的に解釈可能な特徴を生成できます。たとえば、これまでの多くの論文では、電圧と電流の測定から得られた特徴を使用しているだけで、それらの特徴の具体的な物理的意味はわかっていません。

特定の傾向に従うパラメータに基づいて物理モデリングとパラメータ調整を組み込むことで、バッテリ セルの耐久性が十分である理由、または何らかの劣化メカニズムがある可能性があることを知ることができます。これにより、予測の信頼性が高まり、説明可能になります。

機械学習のみを使用し、物理学に注意を払わない場合、機械学習モデルをトレーニングするデータセットから、95% のケースで機能する予測が得られる可能性があります。しかし、それは、あなたにとっては効果があるかもしれないが、私にとっては効果がない可能性があることを意味します。そして、それがうまくいかない場合は、物理学と矛盾するばかげた予測を行う可能性があり、実際には許容できません。精度に関しては、おそらく 1 パーセントの誤差は問題なく、場合によっては 2 パーセントの誤差さえあります。私は信頼できる見積もりを提供したいだけであり、馬鹿げた突飛な見積もりではありません。

技術概要: 物理パラメータをシステムに入力するにはどうすればよいですか?

曲: システムの応答を示すモデルがあります。パラメーターが応答と関係があることはわかっています。このように多数のパラメータを正確に調整するのは非常に難しいため、インタープリタを使用してこれらのパラメータの統計分布を取得します。既存の優れた設計とデータセットの場合、パラメーターのキャリブレーションと分布を行うだけで、パラメーターの分布と傾向をバッテリー セルの寿命にマッピングすることができます。既存のバッテリー設計の場合、ライフサイクル全体のテストデータがあるため、実際の関係を確認できるからです。次に、この種の関係を新しいバッテリー設計に活用しようとします。

技術概要: 次のステップは何ですか?

曲: この研究に関する私の計画は、フレームワークの限界を明らかにすることです。私たちがテストできるのは限られたバッテリー設計のみであり、すべてをテストできるわけではありません。現在、私たちは全固体電池、リチウム金属、リチウム硫黄電池などについて話していますが、それらはすべて異なる化学的性質を持っています。そこで、このフレームワークが新しい種類の電池でもうまく機能するかどうかを確認したいと考えています。そうでない場合は、何をする必要があるかを検討したいと思います。このフレームワークはまだうまく機能すると思いますが、バッテリーの化学的性質が異なれば内部物理も大きく異なるため、変更を加える必要があります。

バッテリー担当者にとって、最も重要なコンポーネントは通訳です。この分野ではやるべきことがたくさんあります。たとえば、物理ベースのモデリングを強化して、固体電池のモデリングのパフォーマンスを向上させることができます。